• EN
  • Facebook
  • Instagram
  • Youtube
  • Linkedin
Você está em: Início > Ensino > Unidades Curriculares > MIA09
Autenticação
ATENÇÃO: Este site utiliza cookies. Ao navegar no site estará a consentir a sua utilização.

Business Intelligence

Código: MIA09    Sigla: BI
Área Científica: Informática

Ocorrência: 2024/25 - 1S

Área de Ensino: Informática

Cursos

Sigla Nº de Estudantes Plano de Estudos Ano Curricular Créditos Horas Contacto Horas Totais
MIA 12 Despacho n.º 12693/2023, de 12 dezembro 5

Horas Efetivamente Lecionadas

MIA-2-1ED

Teórico-Práticas: 0,00

Docência - Horas Semanais

Teórico-Práticas: 1,80

Tipo Docente Turmas Horas
Teórico-Práticas Totais 1 1,80
Filipe Montez Coelho Madeira - ESGT   1,80

Docência - Responsabilidades

Docente Responsabilidade
Filipe Montez Coelho Madeira - ESGT Responsável

Objetivos de aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes)

OA1- Compreender o processo da BI e os fatores que contribuem para maximizar o valor no negócio
OA2 - Utilizar técnicas e de ferramentas para automatizar a recolha, preparação, modelação, visualização e análise de dados provenientes de diferentes fontes
OA3 - Aprender as diversas técnicas de transformação dos dados, incluindo considerações tecnológicas, de segurança, e de ética
OA4 - Usar ferramentas de integração e de visualização de dados para apresentar e partilhar os resultados e descobertas
OA5 - Obter capacidades analíticas avançadas e de gestão da performance que proporcionem valor significativo para a tomada de decisão da gestão usando dados reais
OA6 - Utilizar instrumentos computacionais estatísticos, interativos e programáticos, para abstração e aceleração da análise de dados

Conteúdos programáticos

CP1. Introdução ao Business Intelligence (BI)
CP1.1. O que é? Para que serve?
CP1.2. Infraestrutura BI - pessoas, processos e tecnologias
CP1.3. Ferramentas BI
CP2. Dados
CP2.1. Problemas com os dados
CP2.2. Modelos de dados
CP2.3. Tipos e formatos de dados
CP2.4. Tabelas de dados e de dimensões
CP3. ETL (Extract, Transform and Load)
CP4. Modelação Avançada
CP5. Visualização e análise dos dados
CP6. Apresentação, comunicação, compartilhamento e perfis de acesso
CP7. Atualizações automáticas
CP8. Analítica de Dados
CP8.1. O processo KDD em dados multivariados
CP8.2. Análise exploratória dos dados
CP8.3. Transformações de dados
CP8.4. Algoritmos de análise preditiva
CP8.5. Algoritmos de classificação e árvores de decisão;
CP8.6. Algoritmos para tratamento automatizado de dados
CP8.7. Programação de alertas e ações automáticas
CP8.8. Diferença entre algoritmos de aprendizagem máquina e algoritmos estatísticos
CP9. Ferramentas informáticas estatísticas, interativas

Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da unidade curricular

O programa está estruturado de forma que os estudantes melhorem a tomada de decisão em contextos organizacionais com grandes volumes de dados, de natureza heterogénea, sistematicamente acumulados em volumes de informação complexos. De referir os exercícios e aplicações de casos reais com recurso a ferramentas informáticas referidas no ponto (CP9), tais como o Excel, Power BI e Tableau, permitirão consolidar os conceitos, e serão utilizados para atingir os objetivos (OA2 a OA5 e mais diretamente o OA6).
Ferramentas programáticas (CP9) tais como a linguagem Python ou R serão usadas para se alcançar o objetivo (OA8). A demonstração de coerência decorre da interligação dos conteúdos programáticos (CP) com os objetivos de aprendizagem (OA), cujo relacionamento se explicita a seguir:
Em síntese:
OA1 - CP1
OA2 - CP2 & CP3 & CP9
OA3 - CP3 & CP4 & CP9
OA4 - CP5 & CP6 & CP7 & CP9
OA5 - CP8 & CP9
OA6 - CP9

Metodologias de ensino e de aprendizagem específicas da unidade curricular articuladas com o modelo pedagógico

Sessões teóricas e teórico-práticas para desenvolvimento de conceitos e aplicação de exemplos, complementadas por sessões tutoriais de acompanhamento de trabalhos de grupo. O ensino-aprendizagem inclui a plataforma Moodle, com vídeos, artigos científicos, tarefas semanais e fóruns de discussão. Os métodos de ensino envolvem sessões expositivas, teórico-práticas e tutoriais (presenciais e à distância). Nas aulas presenciais, utilizam-se:
M1 - método expositivo (exposição de conceitos fundamentais)
M2 - método participativo (análise e resolução de exercícios)
M3 - método ativo (desenvolvimento de competências e trabalhos)
M4 - método experimental (uso de laboratórios de informática)

Nas aulas à distância síncronas, aplicam-se:
M1 - método expositivo
M5 - método demonstrativo (vídeos e exemplos)
M6 - autoestudo (apoio tutorial ao trabalho autónomo do aluno)


Avaliação

Os estudantes organizados em pequenos grupos de até 3 elementos, identificam um tema de interesse, recolhem e organizam os dados necessários, a fim de desenvolverem um projeto de BI. Individualmente, cada estudante desenvolve um segundo projeto usando linguagens de programação (tais como o Python ou R), para explorar a analítica de dados recorrendo a modelos para predições e análise de negócio. Ambos os trabalhos deverão ser aprovados pelo professor responsável e serão apresentados à turma em sessão presencial.
A ponderação em termos de classificação final dos 2 trabalhos é a seguinte:
A1 - Trabalho de grupo: 60%
A2 - Trabalho individual: 40%
Ambos os trabalhos requerem a obtenção de um mínimo de 10 valores.

Demonstração da coerência das metodologias de ensino e avaliação com os objetivos de aprendizagem da unidade curricular

A exposição dos conceitos e teorias fundamentais (M1) assim como a demonstração recorrendo a vídeos, exemplos (M5) e à resolução de exercícios (M4), dotam os estudantes dos conhecimentos necessários para compreenderem o processo da BI e os fatores que contribuem para maximizar o valor no negócio (OA1).
Os exemplos, exercícios e casos práticos usados nos métodos experimental (M4), demonstrativo (M5) e participativo (M2) facilitam as aprendizagens dos estudantes para que estes sejam capazes de utilizar as técnicas e ferramentas ETL (OA2), otimizar o seu trabalho com recurso a funções avançadas de cálculo (OA3) e de usar uma adequada visualização dos dados (OA4).
Ao desenvolverem e apresentarem os trabalhos práticos (M3) os estudantes aplicam os conhecimentos resultantes do trabalho em aula e autónomo (M6), métodos diretamente relacionados com os objetivos de obtenção de capacidades analíticas avançadas que proporcionem valor significativo para a tomada de decisão da gestão (OA5), da partilha dos resultados e descobertas (OA4) e do uso de ferramentas informáticas de analítica de dados e de BI (OA6).
Os diferentes objetivos de aprendizagem serão avaliados através de dois trabalhos práticos a desenvolver e a serem apresentados em sala de aula (A1 & A2). Ambos os trabalhos contribuem para o sucesso de todos os objetivos de aprendizagem, embora o 2º trabalho (A2) se foque essencialmente no objetivo de obtenção de capacidades analíticas avançadas (OA5).
Em síntese:
M1 - OA1
M2 - OA2 & OA3 & OA4
M3 - OA4 & OA5 & OA6
M4 - OA2 & OA3 & OA4
M5 - OA1 & OA2 & OA3 & OA4
M6 - OA4 & OA5 & OA6

Bibliografia de consulta (existência obrigatória)

Camm, J. D., Cochran, J. J., Fry, M. J., Ohlmann, J. W. & Anderson, D. R. (2018). Business Analytics. Cengage Learning.

Deckler, G. & Powell, B. (2022). Mastering Microsoft Power BI - Second Edition: Expert techniques to create interactive insights for effective data analytics and business intelligence (2nd ed.). Packt Publishing.

Lantz, B. (2019). Machine Learning with R - Third Edition: Expert techniques for predictive modeling (3rd ed.). Packt Publishing.

McKinney, W. (2022). Python For Data Analysis - Data Wrangling With Pandas, NumPy, And Jupyter.

Milligan, J. N. (2022). Learning Tableau 2022: Create Effective Data Visualizations, Build Interactive Visual Analytics, and Improve Your Data Storytelling Capabilities. Van Haren Publishing.

Mount, G. (2021). Advancing into Analytics: From Excel to Python and R: O'Reilly Media.

Pajankar, A. (2020). Practical Python Data Visualization: A Fast Track Approach To Learning Data Visualization With Python (English Edition)

Observações

[sem resposta]